Optimasi Strategi Computation Offloading Berbasis Swarm Intelligence dalam Lingkungan IoT- Edge Computing

Abstract

Computation offloading merupakan proses pemindahan sebagian atau seluruh beban komputasi (task) dari sebuah perangkat dengan sumber daya terbatas, seperti perangkat Internet of Things (IoT) ke unit komputasi eksternal yang memiliki kapabilitas lebih tinggi, seperti edge server, cloud server, atau perangkat lain dalam jaringan. Tujuan utama dari teknik ini adalah untuk meningkatkan efisiensi energi, mengurangi waktu eksekusi, serta mengoptimalkan performa sistem secara keseluruhan. Beberapa strategi utama yang digunakan dalam computation offloading meliputi: 1) Identifikasi jenis task yang bertujuan untuk menentukan apakah suatu task layak untuk di-offload atau lebih efisien dijalankan secara lokal. 2) Penentuan target offloading yang bertujuan untuk memilih node tujuan yang optimal berdasarkan kapabilitas sumber daya, latensi, atau jarak. 3) Optimasi jalur komunikasi untuk menentukan rute transmisi data yang paling efisien, memperhitungkan faktor seperti bandwidth, interferensi jaringan, dan topologi dinamis. Lingkungan komputasi yang dinamis seperti dalam sistem IoT atau jaringan bergerak memunculkan berbagai tantangan, antara lain: 1) Variabilitas ketersediaan energi pada perangkat sumber, misalnya baterai yang relatif terbatas. 2) Fluktuasi bandwidth jaringan yang memengaruhi kecepatan dan keandalan transmisi data. 3) Kualitas dan kekuatan sinyal komunikasi nirkabel, yang dapat berubah tergantung pada lokasi dan interferensi. 4) Mobilitas node, terutama dalam sistem berbasis kendaraan (vehicular networks) atau drone. Banyak pendekatan dalam penelitian computation offloading masih mengandalkan strategi statis, yaitu pengambilan keputusan offloading yang tidak mempertimbangkan perubahan kondisi lingkungan secara real-time. Strategi seperti ini rentan menyebabkan overload pada server tujuan, peningkatan latensi, konsumsi energi yang tidak efisien, dan penurunan kualitas layanan. Penelitian ini bertujuan untuk mengoptimalkan strategi computation offloading agar adaptif terhadap lingkungan komputasi yang berkaitan dengan proses identifikasi jenis task, waktu, tujuan, dan penentuan jalur computation offloading yang tepat. Metode yang digunakan adalah mengembangkan kerangka kerja computation offloading dengan mengintegrasikan algoritma Artificial Bee Colony (ABC) dengan Markov Decision Process (MDP) selanjutnya disebut ABC-MDP. Tujuan integrasi algoritma ABC dengan MDP adalah untuk menghasilkan algoritma yang memiliki fitness value dan konvergensi yang adaptif sesuai fungsi tujuan dalam setiap iterasi komputasi. Algoritma ABC-MDP terdiri dari algoritma ABC berfokus pada pencarian sumber daya komputasi dengan cara mengeksplorasi atau mengeksploitasi, sedangkan MDP digunakan untuk menghitung reward dari setiap action keputusan berdasarkan state komputasi untuk setiap siklusnya. Berdasarkan nilai reward tersebut maka langkah komputasi pada siklus berikutnya akan lebih pasti, apakah melanjutkan eksploitasi pada suatu sumber daya komputasi atau berpindah untuk eksplorasi sumber daya komputasi yang baru. Luaran dari penelitian ini berupa kerangka kerja computation offloading adaptif yang terdiri dari arsitektur sistem, metode, formula dan algoritma. Evaluasi kinerja sistem dilakukan dalam tiga mode yaitu: 1) evaluasi numerik dalam lingkungan Python, 2) simulasi computation offloading berbasis testbed dan 3) implementasi di lingkungan nyata dalam studi kasus optimasi pemetikan teh di PPTK Gambung berbasis internet of Things dan edge computing. Mode evaluasi numerik akan membandingkan kinerja algoritma baseline GWO-WOA dengan ABC-MDP untuk menyelesaikan persamaan Sphere, Rosenbrock dan Rastrigin yang bertujuan untuk menghitung fitness value, konvergensi, kompleksitas ruang, dan kompleksitas waktu. Berdasarkan evaluasi numerik, algoritma ABC-MDP memiliki konsumsi memori lebih besar dari baseline algoritma GWO-WOA, hal ini karena algoritma ABC-MDP harus menyimpan state dari setiap action, sedangkan pada GWO-WOA tidak ada penyimpanan state. Pada evaluasi kompleksitas waktu, ABC-MDP memiliki waktu komputasi relatif lebih lambat dibandingkan GWO-WOA pada saat awal iterasi, kondisi ini karena ABC-MDP memiliki tahapan komputasi selain menghitung nilai fitness juga menghitung reward dari setiap action yang dilakukan. Ketika sebuah nilai fitness dan reward sudah didapatkan algoritma ABC-MDP dapat mencapai nilai optimal dan konvergen lebih cepat antara 15% sampai dengan 20% dibandingkan dengan GWO-WOA. Mode simulasi berbasis testbed terdiri dari aplikasi pada perangkat smartphone sebagai task generator dengan dukungan fitur interoperability untuk pemilihan jalur komunikasi, baik GSM, Wi-Fi maupun LoRa. Pada bagian edge server dilengkapi dengan aplikasi untuk menerima, mengidentifikasi, mengeksekusi task dan memberikan hasil eksekusi kepada unit pengirim. Simulasi ini menggunakan enam skenario yang bertujuan untuk membuat variasi ketersediaan jumlah IoT, edge computing server, dan nilai iterasi komputasi. Tujuan pengaturan parameter ini adalah untuk mengukur adaptabilitas dan keandalan kerangka kerja computation offloading berbasis ABC-MDP dibandingkan dengan GWO-WOA. Indikator kinerja diukur dengan lima parameter yaitu: 1) fitness value, 2) latensi, 3) energi, 4) bandwidth, dan 5) throughput. ABC-MDP mendapatkan nilai kinerja lebih baik dari GWO-WOA pada konvergensi fitness value 5,53% lebih optimal, latensi lebih rendah 3,53%, energi lebih hemat 1,97% dan throughput lebih besar 0,43 % dibandingkan GWO-WOA, sedangkan untuk konsumsi bandwidth masih lebih besar 2,22% dari GWO-WOA. Pada mode implementasi di area PPTK Gambung kerangka kerja computation offloading diterapkan dalam perangkat Internet of Things, multi-access edge computing dan edge computing server untuk melakukan computation offloading. Jenis task yang digunakan adalah real-time task dengan 4 tipe data yaitu data dokumen, data gambar, data video, dan data alfanumerik. Setiap task akan diidentifikasi berdasarkan jenis task, batas waktu, prioritas, dan tipe data. Pada mode implementasi ini melibatan perangkat IoT dan Multi Access Edge Computing bergerak berbasis GPS untuk melakukan computation offloading ke edge computing server. Perangkat IoT dan Multi Access Edge Computing dapat memilih jalur computation offloading apakah menggunakan jalur komunikasi GSM, Wi-Fi atau LoRa secara adaptif berdasarkan nilai RSSI. Untuk bertukar pesan antara IoT, Multi Access Edge Computing dan edge computing server menggunakan protokol pesan HTTP atau MQTT. Berdasarkan pengujian dengan dengan 130 task yang memiliki data beragam dan batas waktu, maka terdapat 73 task atau 56,15% berhasil dioptimasi dan terdapat 47 task atau 43,84 % tidak berhasil dioptimasi. Ketidakberhasilan optimasi disebabkan oleh batasan waktu real-time task yang tidak dapat terpenuhi karena latensi yang dihasilkan lebih besar dari batas waktu komputasi untuk mengeksekusi task.